論文の概要: Real-Time Online Stock Forecasting Utilizing Integrated Quantitative and
Qualitative Analysis
- arxiv url: http://arxiv.org/abs/2311.15218v3
- Date: Mon, 1 Jan 2024 13:26:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 00:59:26.278477
- Title: Real-Time Online Stock Forecasting Utilizing Integrated Quantitative and
Qualitative Analysis
- Title(参考訳): 定量的・質的統合分析を用いたリアルタイムオンライン株価予測
- Authors: Sai Akash Bathini, Dagli Cihan
- Abstract要約: このデータセットは、2018年1月から2022年12月まで、様々な産業セクターを代表する8つの企業と、ダウ・ジョーンズ工業平均(DJIA)全体の日次エントリーで構成されている。
感情抽出に使用されるテキストデータエントリは、合計140万を超えている。
生成されたデータは、停滞データを使用しないために、リアルタイムのデータポイントを毎日取得するインクリメンタルオンライン学習に使用することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The application of Machine learning to finance has become a familiar
approach, even more so in stock market forecasting. The stock market is highly
volatile, and huge amounts of data are generated every minute globally. The
extraction of effective intelligence from this data is of critical importance.
However, a collaboration of numerical stock data with qualitative text data can
be a challenging task. In this work, we accomplish this by providing an
unprecedented, publicly available dataset with technical and fundamental data
and sentiment that we gathered from news archives, TV news captions, radio
transcripts, tweets, daily financial newspapers, etc. The text data entries
used for sentiment extraction total more than 1.4 Million. The dataset consists
of daily entries from January 2018 to December 2022 for eight companies
representing diverse industrial sectors and the Dow Jones Industrial Average
(DJIA) as a whole. Holistic Fundamental and Technical data is provided training
ready for Model learning and deployment. Most importantly, the data generated
could be used for incremental online learning with real-time data points
retrieved daily since no stagnant data was utilized. All the data was retired
from APIs or self-designed robust information retrieval technologies. These
adaptable technologies facilitate data extraction for any stock. Moreover, the
utilization of Spearman's rank correlation over real-time data, linking stock
returns with sentiment analysis has produced noteworthy results for the DJIA,
achieving accuracy levels surpassing 60\%. The dataset is made available at
https://github.com/batking24/Huge-Stock-Dataset.
- Abstract(参考訳): 機械学習の金融への応用は、株式市場の予測よりもよく知られたアプローチになっている。
株式市場は揮発性が高く、全世界で毎分大量のデータが生成される。
このデータから効果的なインテリジェンスを抽出することが重要である。
しかし,数値ストックデータと定性的テキストデータとの協調は難しい課題である。
本研究は,ニュースアーカイブ,テレビニュースキャプション,ラジオ書き起こし,つぶやき,日刊金融新聞等から収集した,技術的および基本的データと感情を備えた,前例のない公開データセットを提供することにより,これを実現する。
感情抽出に使われるテキストデータエントリは合計で140万以上である。
データセットは、2018年1月から2022年12月までの、さまざまな産業部門を代表する8社とダウ・ジョーンズ工業平均(djia)全体の日刊エントリで構成されている。
モデル学習とデプロイの準備が整った、ホロスティック基本および技術データを提供する。
最も重要なことに、生成したデータは、停滞データを使用しないために、毎日取得されるリアルタイムデータポイントによるインクリメンタルオンライン学習に使用できる。
すべてのデータはAPIや自己設計の堅牢な情報検索技術から削除された。
これらの適応技術はあらゆる株式のデータ抽出を促進する。
さらに、リアルタイムデータよりもスピアマンのランク相関を利用して、ストックリターンと感情分析を結びつけることで、DJIAにとって注目すべき結果となり、精度は60倍を超えた。
データセットはhttps://github.com/batking24/Huge-Stock-Datasetで公開されている。
関連論文リスト
- A Dataset for the Validation of Truth Inference Algorithms Suitable for Online Deployment [76.04306818209753]
実世界のクラウドソーシングプラットフォームから収集した,実質的なクラウドソーシングアノテーションデータセットを紹介する。
このデータセットは、約2万のワーカー、100万のタスク、600万のアノテーションで構成されている。
本データセットにおけるいくつかの代表的真理推論アルゴリズムの有効性を評価する。
論文 参考訳(メタデータ) (2024-03-10T16:00:41Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - Data-Copilot: Bridging Billions of Data and Humans with Autonomous Workflow [49.724842920942024]
大規模言語モデル(LLM)は意味理解と推論において有望な能力を示す。
我々は,一方の端にある多数のデータソースを接続し,他方の端にある多様な人的要求に対応するLLMベースのシステムであるData-Copilotを提案する。
我々は、株式、ファンド、ニュースなどの大規模な中国の財務データを用いて、Data-Copilot-1.0をリリースします。
論文 参考訳(メタデータ) (2023-06-12T16:12:56Z) - Dynamic Datasets and Market Environments for Financial Reinforcement
Learning [68.11692837240756]
FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。
我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。
また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
論文 参考訳(メタデータ) (2023-04-25T22:17:31Z) - Data Budgeting for Machine Learning [17.524791147624086]
データ予算問題を研究し,それを2つのサブプロブレムとして定式化する。
本稿では,データ予算問題の解法を提案する。
私たちの経験的評価は、50ドル以下のデータポイントを持つ小さなパイロットスタディデータセットを前提として、データ予算の実行が可能であることを示しています。
論文 参考訳(メタデータ) (2022-10-03T14:53:17Z) - DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。
私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。
ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
論文 参考訳(メタデータ) (2022-07-20T17:47:54Z) - Financial data analysis application via multi-strategy text processing [0.2741266294612776]
本稿では、主に中国A株会社の株価取引データとニュースに焦点を当てる。
本稿では,自然言語処理(NLP)と知識グラフ(KG)技術を用いた金融テキスト処理アプリケーションシナリオの深層学習に向けた取り組みと計画について述べる。
論文 参考訳(メタデータ) (2022-04-25T01:56:36Z) - Data Smells in Public Datasets [7.1460275491017144]
我々は、機械学習システムにおける問題の早期兆候を示すために使用できる、新しいデータ臭いのカタログを紹介する。
データセットにおけるデータ品質の問題の頻度を理解するために、25の公開データセットを分析し、14のデータ臭いを特定します。
論文 参考訳(メタデータ) (2022-03-15T15:44:20Z) - Data Augmentation for Deep Candlestick Learner [2.104922050913737]
そこで本研究では,ロウソクスティックデータを改良したローカルサーチアタックサンプリング手法を提案する。
提案手法は,人間の識別が難しい高品質なデータを生成することができることを示す。
論文 参考訳(メタデータ) (2020-05-14T06:02:31Z) - DeGAN : Data-Enriching GAN for Retrieving Representative Samples from a
Trained Classifier [58.979104709647295]
我々は、トレーニングされたネットワークの将来の学習タスクのために、利用可能なデータの豊富さと関連するデータの欠如の間のギャップを埋める。
利用可能なデータは、元のトレーニングデータセットまたは関連するドメインデータセットの不均衡なサブセットである可能性があるため、代表サンプルを検索するために使用します。
関連ドメインからのデータを活用して最先端のパフォーマンスを実現することを実証する。
論文 参考訳(メタデータ) (2019-12-27T02:05:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。